OpenAIは、GPT-4のトレーニングのためにYouTube動画から100万時間以上の音声を書き起こしました。この取り組みは、トレーニングデータの不足に対処するために行われ、法的に疑問視される可能性があるものの、同社はこれをフェアユースと考えています。OpenAIのグレッグ・ブロックマン社長が個人的に使用された動画の収集に関与しました。同社は、モデルの世界理解を助け、グローバルな研究競争力を維持するために、公開データや非公開データのパートナーシップを含む多数のソースから「ユニーク」なデータセットをキュレーションしていると述べています。また、独自の合成データの生成も検討しています。
一方、GoogleもYouTubeからトランスクリプトを収集しており、YouTubeクリエイターとの合意に従ってモデルをトレーニングしていると報告されています。GoogleとOpenAIは、モデルのトレーニングデータが急速に枯渇しているという課題に直面しており、解決策として自身のモデルによって作成された「合成」データや「カリキュラム学習」によるトレーニングなどが検討されていますが、これらのアプローチがまだ証明されているわけではありません。また、許可なく利用可能なデータを使用するという選択肢もありますが、これは複数の訴訟が提起されていることから、問題があるとされています。
【ニュース解説】
AI技術の進化に伴い、より高度なAIモデルの開発が進められています。その中で、OpenAIはGPT-4のトレーニングのために、YouTube動画から100万時間以上の音声を書き起こすという大規模な取り組みを行いました。この行為は、トレーニングデータの不足に対処するためのものであり、法的にグレーゾーンにあるものの、同社はこれをフェアユース（公正な使用）と位置づけています。このようなデータの収集方法は、AIの研究と開発を加速させる一方で、著作権やプライバシーに関する懸念を引き起こしています。
このニュースから浮かび上がるのは、AIモデルのトレーニングに必要なデータ量が膨大であること、そしてそのデータを確保するための方法が法的、倫理的な問題を含む可能性があるという点です。AIモデルは、与えられたデータを学習することで、言語理解、画像認識、予測など様々なタスクをこなせるようになります。しかし、その学習過程で使用されるデータの質と量がモデルの性能を大きく左右するため、研究者や開発者はより多く、より多様なデータを求めています。
このような背景の中、OpenAIやGoogleなどの企業がYouTube動画のトランスクリプトを利用することは、一見すると効率的なデータ収集方法に見えます。しかし、これらの動画の内容は著作権で保護されていることが多く、無断での使用は著作権侵害にあたる可能性があります。また、プライバシーに関する懸念もあります。動画には個人が特定可能な情報が含まれている場合があり、その情報がAIトレーニングのために無断で使用されることは、個人のプライバシー権を侵害する恐れがあります。
この問題に対する解決策として、AIモデルによって生成された「合成」データや、より質の高いデータを順序立てて学習させる「カリキュラム学習」などが検討されています。これらの方法は、実際のデータを使用することなく、AIモデルのトレーニングを可能にすることを目指していますが、まだ実用化には至っていません。
このニュースは、AI技術の発展がもたらすポジティブな側面とともに、著作権やプライバシーといった法的・倫理的な課題に直面している現状を浮き彫りにしています。AIの研究と開発を進める上で、これらの課題にどのように対処していくかが、今後のAI技術の発展において重要なポイントとなるでしょう。
from OpenAI transcribed over a million hours of YouTube videos to train GPT-4.
